長尾分布のラベルノイズに対する2段階アクティブクリーニング戦略

科学分野:

• 機械学習; コンピュータビジョン; データサイエンス

背景:

• 長尾分布データは、クラスの不均衡とラベルノイズにより、実世界のアプリケーションで課題をもたらす。; ノイズの多い長尾分布データに対する既存の手法は、しばしば高い計算コストと手作業によるアノテーション作業を必要とする。

研究 の 目的:

• ラベルノイズを伴う長尾分布データセットに対し、新規かつ費用対効果の高い2段階アクティブラベルクリーニング戦略を提案する。; 特徴表現の品質を向上させ、誤ってラベル付けされたサンプルを効率的に特定・修正する。

主な方法:

• ステージ1：バランスクラス中心対照学習（BCCL）により、特徴表現を改善し、潜在的なラベルノイズを検出する。; ステージ2：不確実性ベースのアクティブ学習により、高い不確実性を持つサンプルに焦点を当てて再アノテーションを行う。; 分類性能を向上させ、アノテーションリソースを最適化するための反復的な再アノテーションプロセス。

主要な成果:

• 提案手法は、様々なノイズ率と不均衡レベルで頑健性を示す。; CIFAR10-LTで最先端の手法を大幅に上回り、5.17%の相対的改善を達成した。; Red Mini-ImageNetデータセットで38.37%の精度を達成し、高ノイズシナリオにおける既存のベースラインを上回った。

結論:

• 2段階アクティブラベルクリーニング戦略は、ノイズが多く長尾分布のデータにおける分類性能を効果的に向上させる。; サンプルの効率的な選択による再アノテーションにより、アノテーション作業負荷を最小限に抑え、リソース利用を最適化する。; ラベルノイズとクラス不均衡を伴う、困難な実世界のデータセットを処理するための優れたソリューションを提供する。